基于自適應(yīng)閾值和動(dòng)態(tài)更新因子的ViBe改進(jìn)算法

陳 偉，劉 宇，李宏濤，孫 靜，嚴(yán) 寧

（1.西安應(yīng)用光學(xué)研究所，陜西 西安，710065；2.西安文理學(xué)院 機(jī)械與材料工程學(xué)院，陜西 西安，710065）

引言

運(yùn)動(dòng)目標(biāo)的有效檢測(cè)是目標(biāo)實(shí)時(shí)跟蹤、行為分析和行為判斷的前提[1]。運(yùn)動(dòng)目標(biāo)檢測(cè)已經(jīng)廣泛應(yīng)用于軍事安防、機(jī)器人導(dǎo)航、車輛輔助駕駛、醫(yī)學(xué)以及航空航天等領(lǐng)域，是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)問題[2-3]。目前主要的運(yùn)動(dòng)目標(biāo)檢測(cè)方法包括：光流法[4]、相鄰幀差法[5]及背景減除法[6]。光流法根據(jù)像素灰度值變化進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，其精度高且計(jì)算復(fù)雜，不能直接用于實(shí)時(shí)場(chǎng)景處理；相鄰幀差法計(jì)算量小、速度快，但檢測(cè)出的運(yùn)動(dòng)目標(biāo)會(huì)出現(xiàn)空洞，適用于簡(jiǎn)單場(chǎng)景；背景減除法計(jì)算量小、實(shí)時(shí)性好，是目前經(jīng)常使用的方法[7-10]。背景減除法按照模型參數(shù)分為2類：第1類是有參數(shù)模型，如混合高斯模型GMM（Gaussian mixed model）算法[11]，其背景建模是基于像素樣本統(tǒng)計(jì)信息，計(jì)算量隨著高斯分布個(gè)數(shù)增加而增加，計(jì)算時(shí)間長(zhǎng)，實(shí)時(shí)性差；第2類是無(wú)參數(shù)模型，如核密度估計(jì)KDE（kernel density estimation）算法[12]和ViBe（visual background extractor）算法[13]，其特點(diǎn)是計(jì)算量小，實(shí)時(shí)性好。ViBe算法是一種全新的背景減除法，該算法的主要思想是利用單幀建立背景樣本，然后通過后續(xù)幀和背景樣本的距離提取后續(xù)幀中存在的運(yùn)動(dòng)目標(biāo)，并動(dòng)態(tài)更新背景樣本。實(shí)際應(yīng)用中由于光照變化以及場(chǎng)景中的動(dòng)態(tài)事物（如晃動(dòng)的樹葉、水波紋等場(chǎng)景）會(huì)對(duì)檢測(cè)結(jié)果產(chǎn)生干擾，使得該算法仍有提升空間。本文針對(duì)ViBe算法的不足，對(duì)算法中的背景建模、前景和背景判斷以及更新因子選取等進(jìn)行了改進(jìn)，改進(jìn)的算法可以有效地抑制各種干擾，適應(yīng)不同的場(chǎng)景。

1 ViBe算法

ViBe算法計(jì)算過程簡(jiǎn)單，實(shí)時(shí)性高。該算法主要包括背景建立、前景和背景提取、背景更新策略等，具體過程如下文。

1）背景建立

選取第1幀建立背景樣本，對(duì)第1幀中每一個(gè)像素 (x,y)建立一個(gè)大小為 N 的背景樣本集M(x)={v1,v2,···,vN}，其中vj為第j 個(gè)背景樣本，j=1,2,···,N，N取經(jīng)驗(yàn)值20。vj的像素值是其第1幀對(duì)應(yīng)位置的8鄰域隨機(jī)采樣值，循環(huán) N次，遍歷每一個(gè)像素點(diǎn)，即完成背景樣本集的建立。

2）前景和背景提取

判斷當(dāng)前像素 (x,y)是否為背景。通過計(jì)算當(dāng)前位置像素值與所有對(duì)應(yīng)位置背景樣本集像素值的歐式距離，然后統(tǒng)計(jì)大于距離閾值的個(gè)數(shù)，判斷當(dāng)前像素是背景還是前景，具體計(jì)算如（1）式、（2）式所示：

式中：j=1,2,···,N ； dis（fi(x,y),vj）表示第i幀圖像在( x ,y)處 的像素值與背景樣本集 vj在 ( x ,y)處像素值的歐式距離，通常 R= 20； cnti(x,y)是距離值小于R的個(gè)數(shù)。遍歷第 i幀所有像素點(diǎn)，然后按照（2）式進(jìn)行二值化處理：

式中：T 表示匹配閾值，經(jīng)驗(yàn)值取2； Bi(x,y)為檢測(cè)結(jié)果。

3）背景更新策略

通過上面2個(gè)步驟分離出前景和背景，下面主要是針對(duì)前景和背景采用不同的更新策略。若當(dāng)前像素 (x,y)為前景，對(duì)應(yīng)計(jì)數(shù)值加1；若計(jì)數(shù)值大于50，當(dāng)前像素強(qiáng)制更新為背景，對(duì)應(yīng)計(jì)數(shù)值清零，當(dāng)前像素按照背景更新。若當(dāng)前像素 (x,y)為背景，按照1 /φ（φ為更新因子，經(jīng)驗(yàn)值16）的概率更新當(dāng)前位置背景樣本集和鄰域位置背景樣本集。更新當(dāng)前位置背景樣本集，用像素值 fi(x,y)替換隨機(jī)選取的背景樣本 vid對(duì)應(yīng)位置的像素值，即vid(x,y)=fi(x,y)，其中 id 為從1到 N隨機(jī)選取。鄰域位置背景樣本集更新，隨機(jī)選取一個(gè)樣本 vidu，在當(dāng)前像素的8鄰域隨機(jī)選取一個(gè)位置 ( xu,yu)，用當(dāng)前像素值fi(x,y)替 換樣本vidu在 ( xu,yu)的像素值，即vidu(xu,yu)= fi(x,y)，其中 i du為 從1到 N隨機(jī)選取。

2 ViBe算法改進(jìn)

ViBe算法通過第1幀建立背景，如果第1幀存在運(yùn)動(dòng)目標(biāo)，在后續(xù)的檢測(cè)中會(huì)出現(xiàn)“鬼影”現(xiàn)象，而且傳統(tǒng)算法中樣本集大小、前景和背景判斷閾值、匹配個(gè)數(shù)以及背景更新因子都采用固定值，不能適應(yīng)場(chǎng)景變化，容易出現(xiàn)目標(biāo)丟失。本文針對(duì)這些問題提出一種改進(jìn)的ViBe算法，背景建模采用隨機(jī)選取背景樣本和24鄰域法獲取初始背景；前景和背景判斷采用OTSU算法與均勻性度量法的平均值作為背景和前景判斷閾值；更新策略采用動(dòng)態(tài)更新因子的方法等，這些改進(jìn)措施可以有效地提高目標(biāo)檢測(cè)的準(zhǔn)確性和對(duì)不同場(chǎng)景的適應(yīng)性。

2.1 背景建立

背景的建立方法很多，常用的有平均法、中位數(shù)法以及傳統(tǒng)的單幀法，當(dāng)用于建立背景的幀中存在運(yùn)動(dòng)目標(biāo)時(shí)，檢測(cè)結(jié)果都會(huì)出現(xiàn)“鬼影”現(xiàn)象，不同的算法對(duì)“鬼影”消融起到了一定的作用，但是消融的時(shí)間長(zhǎng)短不一樣。實(shí)際應(yīng)用中，背景的建立希望獲取到真實(shí)的背景，即不包含運(yùn)動(dòng)目標(biāo)。當(dāng)圖像中存在運(yùn)動(dòng)目標(biāo)時(shí)，可采用多幀隨機(jī)選取和24鄰域法建立背景。這樣可以有效避免像素的重復(fù)選取，最大概率選取到真實(shí)背景，降低錯(cuò)誤分類的概率。計(jì)算步驟如下：

1）選取被檢測(cè)圖像的前 m 幀；

2）建立背景樣本集 M(x)={v1,v2,···,vN}，j=1,2,···,N ，隨機(jī)選取 m 幀圖像中的1幀，選取其對(duì)應(yīng)像素24鄰域的一個(gè)隨機(jī)值賦給 vj(x,y)，循環(huán) N次完成1個(gè)像素背景樣本集的建立，按圖像大小遍歷每一個(gè)像素點(diǎn)，即完成背景樣本集初始化。

本文采用標(biāo)準(zhǔn)數(shù)據(jù)集highway視頻序列對(duì)傳統(tǒng)算法單幀背景建模和本文算法背景建模的目標(biāo)檢測(cè)效果進(jìn)行了對(duì)比測(cè)試，測(cè)試程序在傳統(tǒng)ViBe算法基礎(chǔ)上更改背景建模部分算法。初始幀從第300幀開始，初始幀存在運(yùn)動(dòng)目標(biāo)，本文算法中m=25，當(dāng)運(yùn)行到第344幀時(shí)，傳統(tǒng)的單幀背景建模目標(biāo)檢測(cè)結(jié)果中殘留初始幀運(yùn)動(dòng)目標(biāo)像素點(diǎn)較多，存在明顯的“鬼影”。本文算法背景建模目標(biāo)檢測(cè)結(jié)果中殘留初始幀運(yùn)動(dòng)目標(biāo)像素點(diǎn)較少，“鬼影”消融速度較快，如圖1所示。從測(cè)試結(jié)果可以看出，本文的背景建模方法，可以有效抑制“鬼影”，加快其消融速度，明顯優(yōu)于傳統(tǒng)方法。

圖1 ViBe算法中不同背景建模算法目標(biāo)檢測(cè)效果對(duì)比圖Fig.1 Comparison images of target detection effects in ViBe algorithm with different background modeling algorithms

2.2 前景和背景提取

傳統(tǒng)ViBe算法在進(jìn)行前景和背景提取時(shí)，采用固定閾值，固定閾值不能適應(yīng)各種場(chǎng)景的變化。閾值分割方法很多，場(chǎng)景不同、目標(biāo)大小不同，其效果都不一樣。經(jīng)過大量對(duì)比試驗(yàn)，OTSU算法[14]和均勻性度量[15]法效果較好，但是OTSU算法容易將前景像素分割為背景，而均勻性度量法容易將背景分割為前景?；谶@種結(jié)果，本文的閾值采用二者閾值的平均值作為ViBe算法的自適應(yīng)閾值。下面分別看這2種算法的具體計(jì)算過程。

OTSU算法是一種動(dòng)態(tài)閾值分割算法。它的主要思想是按照灰度特性將圖像劃分為背景和前景，門限值使得背景和前景之間的方差最大，計(jì)算方法如下文1）～3）。

1）TH1從最小灰度值到最大灰度值進(jìn)行搜索；

2）按照 T H1對(duì)圖像進(jìn)行前景和背景分割，求取圖像總平均灰度μ，如（3）式所示：

式中：ω0和 μ0為前景個(gè)數(shù)占比和前景平均灰度；ω1和 μ1為背景個(gè)數(shù)占比和背景平均灰度；

均勻性度量法，基本思想是屬于一類的對(duì)象其分布有較大的一致性，所以算法以方差最小的灰度值作為分割閾值。計(jì)算方法如下文1）～4）。

1）T H2從最小灰度值到最大灰度值進(jìn)行搜索；

2）按照 TH2對(duì)圖像進(jìn)行前景和背景分割，分別計(jì)算前景與背景的類內(nèi)方差，如（5）式、（6）式所示：

式中：C1屬于前景集合； C2屬于背景集合； NC1為前景像素點(diǎn)數(shù)； NC2為背景像素點(diǎn)數(shù)；

3）分別計(jì)算2類像素在圖像中的分布概率，如（7）式所示：

式中：Nimage為圖像總的像素個(gè)數(shù)；

圖2 ViBe算法中不同前景和背景判斷閾值目標(biāo)檢測(cè)效果對(duì)比圖Fig.2 Comparison images of target detection effects in ViBe algorithm with different foreground and background judgment thresholds

2.3 背景更新策略

當(dāng)背景模型受到外界因素干擾時(shí)，采用固定更新因子，會(huì)出現(xiàn)前景誤檢為背景或是背景誤檢為前景的現(xiàn)象，從而增大誤檢率。更新因子 φ是反映背景更新速率的一個(gè)參數(shù)，φ越小背景更新越快。在模型的更新策略中，本文動(dòng)態(tài)地改變更新因子φ以適應(yīng)不同的場(chǎng)景，其原理是圖像中的運(yùn)動(dòng)目標(biāo)速度變化快，背景更新快，背景中運(yùn)動(dòng)目標(biāo)速度變化緩慢，背景更新也會(huì)放慢。本文改進(jìn)方法在前50幀檢測(cè)中，將更新因子 φ設(shè)置為1，這樣可增加背景的更新速率，促使背景中由于存在運(yùn)動(dòng)目標(biāo)而形成的“鬼影”迅速消融，然后可按照目標(biāo)在場(chǎng)景中的運(yùn)動(dòng)速率來動(dòng)態(tài)改變更新因子φ。如果視頻中存在運(yùn)動(dòng)目標(biāo)，相鄰2幀檢測(cè)結(jié)果目標(biāo)的位置會(huì)發(fā)生變化。通過相鄰2幀求異或可以得到圖像中變化部分的像素點(diǎn)，這些像素點(diǎn)的多少，可以間接地反應(yīng)出目標(biāo)速率的變化。具體計(jì)算方法見（9）式：

式中：Bi-1(x,y)和Bi(x,y)分別是前一幀和當(dāng)前幀的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，前景像素點(diǎn)值為255，背景像素值為0； Si是 Bi-1(x,y)和Bi(x,y)對(duì)應(yīng)位置像素值異或操作的結(jié)果。統(tǒng)計(jì) Si和 Bi(x,y)中像素點(diǎn)值為255的個(gè)數(shù)，分別是 count1和 count2 ，按（10）式計(jì)算 τ，τ間接反映目標(biāo)速度的變化。

按照 τ的變化大小確定更新因子 φ的值。傳統(tǒng)方法默認(rèn)其值為16，本文分析了大量視頻測(cè)試結(jié)果，根據(jù) τ值將更新因子 φ分為4檔，適用大多數(shù)場(chǎng)景，如（11）式所示：

采用本文的更新策略分別對(duì)MATLAB自帶的viptraffic視頻和測(cè)試數(shù)據(jù)集中的sofa視頻進(jìn)行目標(biāo)檢測(cè)效果對(duì)比測(cè)試，其中viptraffic視頻目標(biāo)移動(dòng)速度快，并且伴有光照變化；sofa視頻中有運(yùn)動(dòng)緩慢和由運(yùn)動(dòng)轉(zhuǎn)為靜止的物體。測(cè)試程序在傳統(tǒng)ViBe算法基礎(chǔ)上更改背景更新因子取值的相關(guān)算法，測(cè)試結(jié)果如圖3所示。從圖中看，viptraffic視頻從第1幀運(yùn)行至46幀，背景更新因子取值分別是 φ自適應(yīng)、 φ=32 、 φ=16 、 φ=1，可見，φ=1的噪點(diǎn)最少，與 φ自適應(yīng)的檢測(cè)效果最為接近，最能適應(yīng)當(dāng)前場(chǎng)景；sofa視頻，從第1幀運(yùn)行至344幀，背景更新因子取值分別是φ 自適應(yīng)、 φ =32 、φ =16、φ=1，可見，φ=32時(shí)由運(yùn)動(dòng)轉(zhuǎn)為靜止的盒子保留的有效像素最多，與 φ自適應(yīng)的檢測(cè)效果最為接近，最能適應(yīng)當(dāng)前場(chǎng)景。從測(cè)試結(jié)果可以看出，本文的改進(jìn)方法在背景更新策略上更加符合實(shí)際需求。

圖3 ViBe算法中不同背景更新因子目標(biāo)檢測(cè)效果對(duì)比圖Fig.3 Comparison images of target detection effects in ViBe algorithm with different background update factors

2.4 形態(tài)學(xué)操作

一幀圖像通過上述處理，會(huì)得到一幅二值化圖像，但是圖像中仍然會(huì)存在大量的噪點(diǎn)和孔洞，造成目標(biāo)的模糊和不完整。為了提高目標(biāo)提取的完整性和準(zhǔn)確率，本文采用了濾波和形態(tài)學(xué)操作來改進(jìn)檢測(cè)效果。具體的步驟為：

1）濾波 濾波的作用是去除噪點(diǎn)，具體方法是分別統(tǒng)計(jì)檢測(cè)結(jié)果中二值圖像像素點(diǎn)的8鄰域內(nèi)值為0和255的像素點(diǎn)的個(gè)數(shù) K1和 K2。當(dāng)K1大 于閾值 τ1，將當(dāng)前像素點(diǎn)的值置為0；當(dāng) K2大于閾值 τ2時(shí) ，將當(dāng)前像素點(diǎn)的值置為255。τ1和τ2的值取5。

2）形態(tài)學(xué)操作 由于誤判，實(shí)際中二值圖像中會(huì)有一些孤立的點(diǎn)和孔洞，在實(shí)際處理時(shí)，可以通過形態(tài)學(xué)操作將這些點(diǎn)連接起來，對(duì)孔洞進(jìn)行填充。形態(tài)學(xué)操作還包括開運(yùn)算、閉運(yùn)算等。實(shí)際應(yīng)用中，還會(huì)刪除像素?cái)?shù)小于10的連通區(qū)域，有效剔除一些干擾。通過這樣的操作，使目標(biāo)更加清晰和完整。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用IEEE Change Detection Workshop[16]評(píng)價(jià)檢測(cè)標(biāo)準(zhǔn)來定量地對(duì)改進(jìn)ViBe算法的目標(biāo)檢測(cè)能力進(jìn)行客觀評(píng)價(jià)。指標(biāo)包括精確率Rprecision、召回率Rrecall、F度量值F、錯(cuò)誤分類百分比PPWC、假陽(yáng)性率RFPR、假陰性率RFNR6個(gè)指標(biāo)[17]進(jìn)行分析，如（12）式所示：

式中：NTP表示檢測(cè)正確的前景像素?cái)?shù)；NTN表示檢測(cè)正確的背景像素?cái)?shù)；NFP表示誤檢為前景的背景像素?cái)?shù)；NFN表示誤檢為背景的前景像素?cái)?shù)。通常精確率和召回率越高，假陽(yáng)性率、假陰性率和錯(cuò)分率越低，其性能越好。

3.2 結(jié)果分析

本文實(shí)驗(yàn)使用MATLAB R2016b軟件進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的統(tǒng)計(jì)與計(jì)算。實(shí)驗(yàn)環(huán)境為CPU-Intel?Core(TM)i5-3470 CPU@3.2GHz，內(nèi)存為4 G，操作系統(tǒng)為Windows7旗艦版。為了測(cè)試本文改進(jìn)算法的性能，分別與GMM算法、ViBe算法和KDE算法在不同的場(chǎng)景進(jìn)行了測(cè)試，測(cè)試視頻來自WWW.changedetection.net網(wǎng)站，分別選取了canoe、highway、pedestrians、snowFall、park、sofa視頻進(jìn)行了測(cè)試，這些視頻包括基本視頻、含動(dòng)態(tài)背景視頻、紅外視頻、惡劣天氣視頻、過程中有短暫停留視頻等。本文測(cè)試時(shí)，KDE算法中，選取高斯核函數(shù)，訓(xùn)練集N=20，帶寬 h=45，閾值 thr=0.000002。GMM算法的參數(shù)設(shè)置中，高斯分量 C=3，背景分量 M=3，正偏差閾值 D=2.5，學(xué)習(xí)率 alpha=0.001，前景閾值thresh=0.25，初始標(biāo)準(zhǔn)偏差 sd_init=16。傳統(tǒng)ViBe算法的參數(shù)設(shè)置中，樣本 N=20，閾值半徑 R=20，匹配閾值 T=2 ，更新因子 φ =16。本文算法的參數(shù)設(shè)置中，樣本 N=20，匹配閾值 T=2，初始背景建模選取幀數(shù) m=25，其余均采用自適應(yīng)閾值。測(cè)試時(shí)highway、pedestrians、snowFall、park、sofa初始幀存在運(yùn)動(dòng)目標(biāo)。MATLAB仿真操作界面如圖4所示。

圖4 MATLAB仿真操作界面Fig.4 Simulation operation interface in MATLAB

4種方法在6種不同場(chǎng)景測(cè)試效果如圖5所示。其中：圖5(a)為canoe視頻測(cè)試效果圖，圖5(b)為highway視頻測(cè)試效果圖，圖5(d)為snowFall視頻測(cè)試效果圖，由圖可見，本文改進(jìn)算法相對(duì)于KDE算法、GMM算法、傳統(tǒng)ViBe算法可以很好地抑制水波紋、樹葉晃動(dòng)以及雪片等帶來的干擾，圖中的目標(biāo)周邊較為干凈，內(nèi)部沒有太多的孔洞，目標(biāo)輪廓更加的完整；圖5(c)為pedestrians視頻測(cè)試效果圖，圖5(f)為sofa視頻測(cè)試效果圖，可見，本文改進(jìn)算法可以消除部分陰影以及光照帶來的影響；圖5(e)為park視頻測(cè)試效果圖，可見，該測(cè)試視頻為紅外圖像，其他算法在目標(biāo)周邊都存在大量的噪點(diǎn)，本文改進(jìn)算法可以有效濾除目標(biāo)周邊的噪點(diǎn)，使目標(biāo)更加完整和清晰。由于測(cè)試視頻初始幀存在運(yùn)動(dòng)目標(biāo)，圖5中KDE算法和ViBe算法在部分測(cè)試結(jié)果中仍有初始幀運(yùn)動(dòng)目標(biāo)的殘留像素，本文算法初始幀中運(yùn)動(dòng)目標(biāo)已經(jīng)完全融入背景，適應(yīng)能力更強(qiáng)。為了進(jìn)一步驗(yàn)證算法的可行性，按照3.1節(jié)量化指標(biāo)進(jìn)行了測(cè)試和對(duì)比。分別在6種場(chǎng)景下對(duì)每種算法進(jìn)行測(cè)試，求各項(xiàng)指標(biāo)的平均值，測(cè)試結(jié)果見表1。從表中可以看到本文改進(jìn)算法在不同場(chǎng)景下，相對(duì)于KDE算法、GMM算法和傳統(tǒng)ViBe算法，各項(xiàng)指標(biāo)均有大幅度提高，精確度分別提高30.44%、40.72%和20.95%，錯(cuò)分比分別降低了43.28%、40.59%和29.43%，召回率、F度量值、假陽(yáng)性率和假陰性率均優(yōu)于其他3種算法。

圖5 4種算法在6類場(chǎng)景下目標(biāo)檢測(cè)效果對(duì)比圖Fig.5 Comparison images of target detection effects of four algorithms in six types of scenes

表1 4種算法在6類場(chǎng)景下測(cè)試指標(biāo)平均值Table 1 Average values of test indexes of four algorithms in six types of scenes

4 結(jié)論

本文針對(duì)傳統(tǒng)ViBe算法動(dòng)態(tài)場(chǎng)景適應(yīng)性差、初始背景幀有運(yùn)動(dòng)目標(biāo)存在“鬼影”現(xiàn)象等問題，提出一種改進(jìn)的ViBe算法，改進(jìn)內(nèi)容包括背景建模、背景和前景的自適應(yīng)閾值判斷、動(dòng)態(tài)更新因子等，并將改進(jìn)算法與傳統(tǒng)ViBe算法、GMM算法、KDE算法進(jìn)行了對(duì)比試驗(yàn)，結(jié)果表明本文改進(jìn)算法對(duì)有水波紋、樹葉晃動(dòng)、下雪、強(qiáng)光等場(chǎng)景有較好的適應(yīng)性，其準(zhǔn)確率和誤檢率等多項(xiàng)評(píng)價(jià)指標(biāo)均優(yōu)于其他對(duì)比算法。